使用Pandas能进行数据可视化
发布时间：2024-01-04 15:01:14 所属栏目：大数据 来源：DaWei
导读： 数据可视化是数据分析的一个重要方面，它提供了一种理解数据并从中得出有意义见解的方法。Pandas 是最常见的于数据分析的 Python 库，它基于Matplotlib扩展了一些常用的可视化图表，可以方便
|
数据可视化是数据分析的一个重要方面，它提供了一种理解数据并从中得出有意义见解的方法。Pandas 是最常见的于数据分析的 Python 库，它基于Matplotlib扩展了一些常用的可视化图表，可以方便的调用，本篇文章就让我们看看有哪些图表可以直接使用。 我们将导入必要的库并加载示例数据集。 创建简单的图 Pandas的 plot 方法提供了创建基本图（例如线图、条形图和散点图）的简单方法。让我们看几个例子。 线图 线图用于表示连续间隔或时间段内的数据趋势。要创建线图，调用plot 方法时需要将 kind 参数指定为 line。 复制 df.plot(kind="line", x="age", y="fare") 看着很乱对吧，这是因为我们展示的数据无法用线图进行表示，下面我们用更好的图表表示年龄这个字段 直方图 我们可以在字段后直接使用hist方法来生成数据的直方图 复制 df.age.hist(figsize=(7.3,4), grid=False) 这样是不是就一目了然了，能够清楚地看到年龄的分布情况 条形图 条形图用于表示分类数据，其中每个条代表一个特定类别。要创建条形图，可以 pandas DataFrame 上使用 plot 方法并将 kind 参数指定为 bar。 复制 df["class"].value_counts().plot(kind="bar") 饼图 饼图与条形图类似，但是它主要来查看数据的占比 复制 df["embark_town"].value_counts().plot(kind="pie", rot=0) 散点图 散点图用于表示两个连续变量之间的关系。要创建散点图使用 plot 方法将 kind 参数指定为 scatter。 复制 df.plot(kind="scatter", x="age", y="fare") Plot方法 Pandas的可视化主要使用.plot()方法，它有几个可选参数。其中最重要的是kind 参数，它可以接受 11 个不同的字符串值，并根据这些值创建不同的图表： “area”面积图 “bar”垂直条形图 “barh”水平条形图 “box”箱线图 “hexbin” hexbin 图 “hist”直方图。 “kde”内核密度估计图表 “density”是“kde”的别名 “line”折线图 “pie”饼图 “scatter”散点图 如果你不指定kind 参数，它的默认值为“line”。也就是折线图。如果不向 .plot() 提供任何参数，那么它会创建一个线图，其中索引位于 x 轴上，所有数字列位于 y 轴上。虽然这对于只有几列的数据集来说是一个有用的默认值，但对于大型数据集及其多个数字列来说，它看起就不好了。 还有就是：作为将字符串传递给 .plot() 的 kind 参数的替代方法，DataFrame 对象有几种方法可用于创建上述各种类型的图： 复制 .area() .bar() .barh() .box() .hexbin() .hist() .kde() .density() .line() .pie() .scatter() 还记得我们第一个直方图的.hist方法吗，他就是kind=‘hist’的一个替代。 定制图表样式颜色 我们还可以通过使用不同的参数来自定义图表的外观，例如标记的颜色、大小和形状、标签和标题。 复制 df.plot(kind="scatter", x="age", y="fare", color="red", alpha=0.5) plt.xlabel("Age") plt.ylabel("Fare") plt.title("Relationship between Age and Fare") plt.show() 就像我们最初介绍的那样，pandas绘图的底层是使用Matplotlib，所以这些参数都是与Matplotlib一致的，我们可以随意进行调整。 多个DataFrame绘图 Pandas还没有提供多个DataFrame的方法，所以我们只能使用Matplotlib，就像下面这样： 复制 df_survived = df[df["survived"] == 1] df_not_survived = df[df["survived"] == 0] plt.scatter(df_survived["age"], df_survived["fare"], color="green", label="Survived") plt.scatter(df_not_survived["age"], df_not_survived["fare"], color="red", label="Not Survived") plt.xlabel("Age") plt.ylabel("Fare") plt.title("Relationship between Age and Fare") plt.legend() plt.show() （编辑：常州站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
推荐文章
站长推荐